CCF 201604-1 折点计数 C++ easy

VTK:使用C/C++提取折线的方法 折线是由一系列连续的线段组成的曲线,常用于表示路径、边界等。通过上述示例,你可以在自己的项目中使用VTK库来提取折线。你可以根据自己的需求修改点的坐标和线段的连接顺序来创建不同形状的折线。首先,我们需要创建一个VTK PolyData对象,并向其添加点和线段。在开始之前,请确保你已经正确地安装了VTK库,并且你对C/C++编程语言有一定的了解。然后,我们创建了一个。对象,用于存储折线上的点的坐标。对象的点并打印它们的坐标来输出折线的点坐标。对象,并且可以访问折线上的点坐标。方法指定线段的点的数量,并通过。 阅读详情

在这里插入图片描述
在这里插入图片描述

#include <iostream>
using namespace std;
int main()
{
	int n;
	int count=0;
	cin >> n;
	int a[n];
	for(int i=0;i<n;i++)
	{
		cin >> a[i];
	}
	for(int j=0;j<n-2;j++)
	{
		if((a[j+1]-a[j]>0&&a[j+2]-a[j+1]<0)||(a[j+1]-a[j]<0&&a[j+2]-a[j+1]>0))
		{
			count++;
		}
	}
	cout << count << endl;
	return 0;
} 

二刷

#include <iostream>
using namespace std;
int main()
{
	int n;
	cin >> n;
	int a,b,pre,now,count=0;
	cin >> a >> b;
	pre=b-a;
	for(int i=2;i<n;i++)
	{
		cin >> a;
		now=a-b;
		if((pre>0&&now<0)||(pre<0&&now>0)) 
		     count++;
	    b=a;
	    pre=now;
	}
	cout << count << endl;
	return 0;
}
c++流程图生成器 自动生成源代码的流程图 能够非常方便的生成c/c++源代码的标准流程图,并能按visio,doc,bmp 格式输出。 立即下载

相关推荐

测站坐标系统 -- 东北天(ENU)坐标系、站心坐标系

测站坐标系统以观测站(或地面上某一个观测点为中心建立坐标系统,将这类坐标系称为测站坐标系统。测站坐标系通常以用户所在的位置点P为坐标原点三个坐标轴分别是相互垂直的东向北向和天向,因而测站坐标系又称为东北天(ENU)坐标系。由于测站坐标系以站心为坐标原点,因此也称为站心坐标系。如图所示,测站坐标系的天向与大地坐标系(LLA经纬度坐标系)在此点的高程方向一致。测站坐标系固定在地球上,本质上是一种地固坐标系。(1)以站心为坐标原点。(2)Z轴与站心点的椭球法线重合,向上为正。

qq_43381998的博客 1万+

CCF CSP 201604-1 折点计数 C++

解题思路:其实就是找极值的问题,极值的定义就是,一个点的左右领域的值都大于它或者都小于它就是极值 #include <iostream> using namespace std; int main() { int n; cin>>n; int a[1000]; for(int i=0;i<n;i++){ cin>>a[i]; } int s=0; for(int i=1;i<n.

weixin_43752106的博客 244

Go语言AI智能体开发实战:基于LangGraphGo构建下一代工作流引擎

在AI应用开发领域,工作流编排是构建复杂智能系统的核心技术。其核心原理是将任务执行过程建模为状态图,通过节点和边的组合定义数据流转路径,实现多步骤推理与工具调用的自动化。这种基于状态图的编程模型,为智能体提供了清晰的“思考-行动-观察”循环抽象,显著提升了复杂业务逻辑的可维护性和可观测性。从技术价值看,它解决了传统代码中状态分散、流程僵化的问题,支持条件分支、并行执行等高级模式,是实现生产级AI应用的关键基础设施。在应用场景上,该技术广泛适用于客服机器人、自动化审批、数据ETL等需要多步骤协调的领域。本文以

weixin_30457551的博客 361

【POI】折线 C++题解

题目描述: 给定二维直角坐标系。 我们要求一条折线只能从左边到右边一笔画过去,并且折线的每一段和x轴的夹角在[-45°, 45°]之间。 一条满足上述要求的折线被称为:平直折线。 给定坐标系上的n个格点,最少需要画多少条平直折线才能覆盖所有的点呢? 输入格式: 第一行一个正整数n,表示点的数目。 接下来的n 行为每个点的坐标(x, y)。 输出格式: 最少需要多少条平直折线。 样例输入: 5 2 3 3 4 4 5 1 6 12 27 样例输出: 3 代码: ...

zhnluorizhijian的博客 297

CMAC算法原理

2、K1 通过以下运算导出:若 L 的最高有效位等于 0,则 K1 是 L 的左移 1 位。3、K2 通过如下运算导出:若 K1 的最高有效位等于 0,则 K2 是 K1 的左移 1 位。采用了 AES 算法中的类似 CBC 模式的加密方式,即对前一个分组的密文与当前分组的明文进行异或操作后在加密,2、分块处理:首先将消息分成多个固定长度的块,若消息长度不是块大小的倍数,则可以使用填充来将其填充到合适的大小。1、子密钥计算,通过主密钥生成子密钥(key1,key2),子密钥用于最后一个块处理;

sky的博客 1658

避坑指南:C# OpenCvSharp调用4K摄像头常见的5个问题及解决方案

本文针对C# OpenCvSharp调用4K高清摄像头时常见的五大难题,提供了详细的解决方案。内容涵盖分辨率设置失效、帧率卡顿、内存泄漏、硬件驱动兼容性以及性能优化实战,帮助开发者高效稳定地处理4K视频流,提升智能安防监控等项目的开发效率。

weixin_29268331的博客 422

CCF考试-折点计数(201604-1)

C++实现:#include<iostream> using namespace std; int a[1005]={0}; int main() { int n,k; int count=0; cin>>n; for(int i=0;i<n;i++) { cin>>a[i]; } for(int j=0;j<n-2;j++)

lr604844811的博客 424

2026年数据中心运行与管理专业人才培养基地建设方案(高职、数据中心运行与管理新专业、人才培养、专业代码:510310)

摘要: 为响应国家“东数西算”战略和数字经济需求,我校拟联合行业领军企业建设数据中心运行与管理人才培养基地。项目基于国家政策引导和产业快速发展背景,针对行业10万人才缺口,对标教育部新设专业标准(510310),分三阶段实施五年规划:专业奠基(2026-2028)、内涵深化(2028-2029)、辐射引领(2030-2031)。建设内容涵盖校企协同岗位能力分析、模块化课程开发(如网络管理、自动化运维等)、实训基地搭建及“课证融通”培养模式,重点培养基础设施、网络服务、运维托管三类岗位技能人才,目标建成区域性

啊碧根果的博客 1685

CCF考试流程

作为一个计算机考研跨考生,练习了好几天,有的题来来回回看上一两个小时才能修正错误,我这正疑惑着ccf难道直接写代码提交,都没法调试的?今天才发现是可以先在编译器上调试成功后再粘贴上去提交的! 发现一个考试流程的介绍,虽然好像2019年9月改革了可以看分了什么的,但是我还是没搞清楚是全部做完了能看到分还是每一道题都可以看到分,xdm走过路过有知道的告诉我一声哦,先谢过。 这好像是个2018年的介绍,但是对什么都不懂的小白来说还是很有价值的,链接如下: CCF考试详细流程 ...

cloudless_sky的博客 2535

YALMIP介绍及怎么在Matlab中加YALMIP、SDPT3

目录YALMIP简介怎么在Matlab中加YALMIP?1. 创建决策变量:2. 添加约束:3. 参数配置4. 求解怎么在MatlabR2019a中加YALMIP?1.下载工具包2.放置工具包3.添加路径4.测试安装结果怎么在MatlabR2019a中加SDPT3? YALMIP简介 怎么在Matlab中加YALMIP? yalmip是一位“集大成者”,它不仅自己包含基本的线性规划求解算法,比如linprog(线性规划)、bintprog(二值线性规划)、bnb(分支界定算法)等,他还提供了对cpl

m0_51431440的博客 2万+

rk3588 LightSensor适配从驱动到应用层

本文详细介绍了在RK3588平台上实现光感驱动的开发流程。主要包括:1) 在设备树中配置I2C5接口挂载光感设备;2) 编写内核驱动代码实现光感数据采集;3) HAL层通过ioctl与驱动交互;4) 在BoardConfig.mk中启用相关宏定义;5) Framework层通过AutomaticBrightnessController实现自动亮度调节算法;6) 应用层可通过监听系统设置获取光感变化并调整屏幕亮度。整个流程涵盖了从底层驱动到上层应用的完整实现方案,重点解决了光感设备注册、数据采集传输和自动亮度

tzj1058756809的博客 449

谷歌浏览器滚动截屏

1、ctrl+shift+i 2、ctrl+shift+p 3、下拉 找到 capture full size screenshot点击就会自动下载图片 用电脑默认的图片查看器打开图片可以进行修剪等编辑,还可以点击右上角的三个点,复制。

cloudless_sky的博客 1570

Python爬虫实战:中国土地市场网招拍挂数据抓取与分析

本文详细介绍了如何使用Python爬虫技术从中国土地市场网抓取土地招拍挂数据,并进行初步的数据分析与可视化。文章涵盖了爬虫的基本原理、反爬虫策略应对、数据清洗与存储、数据分析与可视化等多个方面,为土地市场研究者提供了一套完整的数据获取与分析解决方案。

2201_76125261的博客 684

CCF 201903-1 小中大 C++ 精度、类型转换问题注意!

思路:读取n,如果n%2==1,说明有奇数个数,中位数为第n/2向上取整个数(n/2+1);如果有偶数个数,则中位数为第n/2和n/2+1个数加和再除以2;定义三个变量分别存储最大值、最小值和中位数,最大值和最小值通过保留第一个和最后一个数并且比较大小来确定。输出中位数前要判断是否带小数,如果n为奇数,则中位数肯定是整数,如果n是偶数,则要看中间的两个数相加得到的是奇数还是偶数,如果是偶数,则除以2得到的中位数必然是整数,如果和是奇数,则得到的是小数,需要四舍五入输出一位小数。其实,由于相加的两个是整...

cloudless_sky的博客 753

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

CCF 202012-2 期末预测之最佳阈值 C++

暴力解决只有70分: #include <iostream> #include <vector> #include <algorithm> using namespace std; int main() { int m,y,c,count=0,max=0; cin >> m; int a[m],b[m]; int d[m]; vector<int> e; for(int i=0;i<m;i++) { cin >&...

cloudless_sky的博客 556

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

CCF 201803-2 碰撞的小球 c++

//用两个数组分别记录小球的位置和方向。对n个小球分别调整t轮,每一轮更新方向和位置,必须先更新方向再更新位置:到达最左端方向调整为向右,到达最右端方向调整为向左;相撞后方向取反;其他时刻向右走一步加1,向左走一步减1,可以统一表示为a[j]+b[j]。注意这n个小球的初始位置是无序的。 #include <iostream> using namespace std; int main() { int n,t,L; cin >> n >> L >&.

cloudless_sky的博客 489

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

CCF 201912-1 报数 C++

思路:定义四个变量,分别记录甲乙丙丁报数跳过的次数。再定义一个变量count,记录当前的真实数值。从1开始判断这个数是否为7的倍数或包含7,若是则跳过,但count依然加1;否则n–;还可以利用count%4来区分甲乙丙丁。判断是否包含7时,循环得到个位十位百位……的数,分别判断是否为7. #include <iostream> using namespace std; bool isseven(int x) { if(x%7==0) return true; int m; ..

cloudless_sky的博客 384

CCF 201703-2 学生排队 C++ easy but attention

#include <iostream> using namespace std; int main() { int n,m,p,q; cin >> n >> m; int a[n]; for(int i=1;i<=n;i++) { a[i]=i; } for(int i=0;i<m;i++) { cin >> p >> q; for(int j=1;j<=n;j++) { if(a[j]..

cloudless_sky的博客 336

CCF 201812-1小明上学 C++

思路:红绿黄依次循环,遇到红灯要等t秒,遇到黄灯要等t+30(红灯)秒,遇到绿灯不用等直接通过,没遇到灯则t表示路程时间。所以总时间等于等灯的时间加上路程的时间。 #include <iostream> using namespace std; int main() { int r,y,g,n,k,t; int sum=0; cin >> r >> y >> g >> n; while(n--) { ..

cloudless_sky的博客 332

CCF 201412-1 门禁系统 C++ easy

#include <iostream> using namespace std; int main() { int n; cin >> n; int a[n],b[n]; for(int i=0;i<n;i++) { cin >> a[i]; b[i]=0; } for(int i=0;i<n;i++) { for(int j=0;j<=i;j++) { if(a[i]==a[j]) { b[i].

cloudless_sky的博客 330

CCF 201812-2 小明放学 C++ 注意挺难

//与上一题不同的是,k=1、2、3 时,分别表示出发时刻,所以要考虑到走完这段路程的时候灯的颜色是否已经变了 //红绿黄循环。用sum记录前面路程用的总时间,circle记录红黄绿一轮的时间。是红灯时,判断t和sum的大小,如果t>sum说明红灯还没完,t-sum是剩余要等待的红灯时间;若t<sum说明红灯已经结束,sum-t是超出的时间,考虑到可能过去了不止一轮先求余,int temp=(sum-t)%circle,再判断temp是否超出了绿灯时间g,如果超出则又到黄灯,再判断是否超出黄..

cloudless_sky的博客 329

CCF 201312-1 出现次数最多的数 C++ easy

思路:用一个可变长数组存放当前个数最多的数,如果有个数更多的数出现,则把数组中所有的数删除,让当前个数最多的数进去;如果出现个数最多且一样多的数,则也进去。最后再取数值最小的一个数输出。 #include <iostream> #include <vector> using namespace std; int main() { int n,count=0,max=0,min=0; vector<int> v; cin >> n; int a[n];.

cloudless_sky的博客 301

CCF 2020期末预测之安全指数

#include <iostream> using namespace std; int main() { int n,w,s,r; cin >> n; r=0; while(n--) { cin >> w >> s; r += w*s; } if(r<=0) r=0; cout << r << endl; ret..

cloudless_sky的博客 300

CCF 201403-1 相反数 C++ 注意双等号

#include <iostream> using namespace std; int main() { int N,count=0; cin >> N; int a[N]; for(int i=0;i<N;i++) { cin >> a[i]; } for(int i=1;i<N;i++) { for(int j=0;j<i;j++) { if(a[i]==-a[j]) { count++; .

cloudless_sky的博客 289

CCF 201612-1 中间数 C++ need attention

#include <iostream> using namespace std; int main() { int n; cin >> n; int a[n]; bool flag; for(int i=0;i<n;i++) { cin >> a[i]; } for(int i=0;i<n;i++) { int small=0,big=0; for(int j=0;j<n;j++) { if..

cloudless_sky的博客 268
上一篇: CCF 201609-2 火车购票 C++
下一篇: CCF 201512-1数位之和 C++ easy
cloudless_sky
博客等级 码龄8年 106粉丝 128原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值